高光谱图像半监督分类算法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题研究的背景和意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 课题研究的目的意义 | 第12页 |
| 1.2 高光谱图像分类的研究现状 | 第12-17页 |
| 1.3 论文的研究内容及章节安排 | 第17-18页 |
| 1.4 实验数据集介绍 | 第18-21页 |
| 第2章 高光谱图像分类技术介绍 | 第21-34页 |
| 2.1 引言 | 第21页 |
| 2.2 无监督分类方法 | 第21-23页 |
| 2.2.1 K-means聚类 | 第21-22页 |
| 2.2.2 谱聚类 | 第22-23页 |
| 2.3 监督分类方法 | 第23-28页 |
| 2.3.1 最大似然分类 | 第23-24页 |
| 2.3.2 支持向量机分类 | 第24-27页 |
| 2.3.3 最小二乘支持向量机 | 第27-28页 |
| 2.4 半监督分类方法 | 第28-33页 |
| 2.4.1 拉普拉斯支持向量机 | 第28-29页 |
| 2.4.2 自训练 | 第29-30页 |
| 2.4.3 三重训练 | 第30-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 基于AL和DE算法的三重训练分类 | 第34-46页 |
| 3.1 引言 | 第34页 |
| 3.2 基本理论 | 第34-39页 |
| 3.2.1 主动学习 | 第34-36页 |
| 3.2.2 差分进化算法 | 第36-38页 |
| 3.2.3 改进的三重训练算法 | 第38-39页 |
| 3.3 实验部分 | 第39-45页 |
| 3.3.1 实验数据 | 第39页 |
| 3.3.2 实验条件与参数设置 | 第39-40页 |
| 3.3.3 印第安农林高光谱图像实验 | 第40-43页 |
| 3.3.4 帕维亚工程学院高光谱图像实验 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 基于空间-光谱聚类的半监督分类 | 第46-61页 |
| 4.1 引言 | 第46页 |
| 4.2 基本理论 | 第46-50页 |
| 4.2.1 基于概率模型的SVM | 第46-47页 |
| 4.2.2 Gabor空间特征提取 | 第47-48页 |
| 4.2.3 基于空间-光谱聚类的半监督分类 | 第48-50页 |
| 4.3 实验部分 | 第50-59页 |
| 4.3.1 实验数据 | 第50页 |
| 4.3.2 实验条件与参数设置 | 第50-51页 |
| 4.3.3 印第安农林高光谱图像实验 | 第51-56页 |
| 4.3.4 帕维亚工程学院高光谱图像实验 | 第56-59页 |
| 4.4 本章小结 | 第59-61页 |
| 结论与展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第69-70页 |
| 致谢 | 第70页 |
